Прикладные интеллектуальные системы, основанные на мягких вычислениях. Ярушкина Н.Г. - 13 стр.

UptoLike

Составители:

Рубрика:

Глава 1. ФУНДАМЕНТАЛЬНЫЕ ЗАДАЧИ ВЫЧИСЛИТЕЛЬНОГО

ИНТЕЛЛЕКТА

1.1. Фундаментальные и технологические причины конвергенции

нейроинформатики и искусственного интеллекта

В современной нейроинформатике соотношение фундаментальных и тех-

нологических задач складывается в пользу технологических. Отметим, что

фундаментальные задачи: моделирование ощущений, восприятий, распознава-

ние образов, обучение и запоминание паттернов являются основными задачами

когнитивной науки. Технологические задачи связаны с повышением эффектив-

ности использования нейронных сетей в решении задач кластеризации, класси-

фикации образов и сцен, аппроксимации функций для процессов технической,

экономической, биологической природы. Достижения нейроинформатики в

решении технологических задач привели к созданию целого спектра разнооб-

разных нейронных сетей: сетей с прямым распространением сигнала, рекур-

рентных сетей, радиально базисных сетей. Созданы развитые архитектуры гиб-

ридных систем: нечетких нейронных сетей, нечетких нейронных сетей с гене-

тической настройкой параметров.

Ситуация в нейроинформатике требует вернуться к фундаменталь-

ным когнитивным задачам и выяснить, позволяют ли новые классы ней-

ронных и гибридных систем решать новые когнитивные задачи.

Объектом анализа будут служить нечеткие нейронные сети с генетиче-

ской оптимизацией параметров, так как они обладают комплексной структурой

и сложными алгоритмами обучения, интегрирующими структурные части раз-

личных нейронных сетей. Следовательно, именно гибридные системы, как

можно предположить, должны обладать сильным когнитивным потенциалом.

Далее будем называть именно их гибридными системами. Гибридные системы

включают в себя слои радиально базисных нейронов, логических нейронов,

традиционных пороговых суммирующих нейронов. Алгоритм их обучения

обычно комбинирует соревновательное обучение (по алгоритму победителя),

генетическую оптимизацию параметров и классический метод обратного рас-

пространения ошибки [1].